VMware公司已经在其存储与可用性业务部门(简称SABU)之下建立了新的首席技术宐岗位,大家也可以将其称为VSAN化办公室。
Charles Fan将以高级副总裁的头衔出任这一全新SABU部门的总经理职位,而他原本的CTO职位则由首席工程师Christos Karamanolis负责接任。
Karamanolis在领英网站上的个人资料显示,他“负责在技术层面监督该BU部门的发展战略与产品路线图执行工作。除此之外,我还负责引导技术方向以及VMware公司对于存储及可用性业务的发展愿景。”
Karamanolis过去曾是VSAN项目的架构师之一。顺带一提,VSAN即VMware公司的虚拟SAN方案,其能够将ESXi服务器上的直接附加存储设备加以汇聚,并将其转化为单一存储池,从而消除对于外部共享存储阵列的需求。
就目前而言,VSAN已经成为EVO: RAIL——VMware公司的超融合型服务器加存储设计方案——的关键性组成部分,而EVO: RAIL则通过与EMC等合作伙伴的协作推出实际产品。它的主要竞争对手为来自各初创企业的超级融合型产品,包括Nutanix、SimpliVity以及其它新兴厂商。
为什么要建立这样一个SABU CTO办公室?Karamanolis在一篇博文当中谈到了这一点,并给出以下几条论点:
这位新晋CTO及其下辖办公室将“定义VMware公司的愿景及发展战略,并将结论同客户及合作伙伴进行沟通,进而展望BU的技术投资与发展方向,同时确保我们严格执行所提出的战略意向。”
“对于利用容器技术(即Docker)部署在基础设施当中、且相关主机数量达到上百台甚至上千台的云原生应用程序(简称CAN)而言,VMware公司正在着手打造存储解决方案,旨在提供一套能够实现操作系统镜像存储、配置甚至实现应用程序状态持续化的文件接口,”尼古拉斯公司总经理Aaron Rakers指出。
“VMware公司正向脱离了备份及灾难恢复点解决方案范围之外的综合性数据保护机制投入开发资源,”他进一步补充称。
尽管VMware公司的现有Site Recovery Manager、vSphere Replication以及VADP等产品组合能够提供数据保护功能,但VMware方面正着手打造下一代数据管理解决方案,其将能够与包括VSAN在内的任意存储平台进行协作,并在涵盖跨越多座数据中心的内部部署体系之外、为VMware客户及合作伙伴提供真正的混合云使用体验。
Karamanolis是由VMware公司的两位雇员拉拢加入的:其一为因Yellow-bricks博客而知名的Duncan Epping,另一位则是因Punching Clouds网站而受到关注的VMware公司首席架构师Rawlinson Rivera。
那么VMware公司的存储产品能否与其它虚拟机管理程序及公有云存储服务——例如Amazon、Azure以及谷歌——实现协作呢?看起来答案应该是肯定的,大家认为呢?在这种情况下,Nutanix、SimpliVity以及其它服务器SAN/超融合型系统初创企业无疑将面临更为严峻的竞争考验。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。